G検定模擬試験set1 - 未解答
（ア）に最もよくあてはまる選択肢を 1 つ選べ.
画像生成とは,何もない状態,もしくはある入力値に応じて目標の画像を生成する技術である.今最も利用されている画像生成手法は,GAN という生成敵対ネットワークである.特に,あるランダムな数値の入力値をもとに画像生成を行う DC（ア）やある文章から画像を生成する Attention（ア）などが有名である.このネットワークは（イ）と（ウ）から構成されており,（イ）は（エ）を騙すような画像を出力し,（ウ）は（イ）から出力された画像と本物の画像とを分類するようにそれぞれ学習する.このように学習することで,（イ）は適切な画像を出力することが可能となる.
（イ）に最もよくあてはまる選択肢を 1 つ選べ.
機械が試行錯誤することで,取るべき最善の行動を決定する問題を扱うことができる学習方法を（ア）という.（ア）はボードゲームや自動運転,またロボットの歩行動作などに活用されている.代表的なアルゴリズムに （イ）があげられる.（ア）の課題として,主に（ウ）や（エ）などが挙げられる.理論的には無限に学習するが,実世界では全てが限られている.ロボットの場合,無限の試行を繰り返すことができず,損耗し,実験の続行が困難になる.そこで人間側がタスクを上手く切り分けてやさしいタスクからの学習をすることが期待される.また（エ）に関して,例として,2 体のロボット同士で学習を開始させようとすると,お互いに初期状態であるタスクについての何も知識がない状態だと,学習過程の不安定化が見られる.現在はこれに対応するために逆強化学習やディープラーニングの技術を適用した（オ）などが適用され始めている.
（ア）に最もよくあてはまる選択肢を 1 つ選べ.
生成モデル（generative model）とは,訓練データからそのデータの特徴を学習し,類似したデータを生成することができるモデルである.ディープニューラルネットの生成モデル（generative model）の例として,自己符号化器の潜在変数に確率分布を導入した（ア）や,訓練データと生成器が生成したデータを識別器で判別させることによって学習を進める（イ）がある.
（解説あり）（ウ）に最もよくあてはまる選択肢を 1 つ選べ.
ディープラーニングの学習の目的は,損失関数の値をできるだけ小さくするパラメータを見つけることである.このような問題を解くことを（ア）という.このパラメータを見つけるアルゴリズムとして有名なのは（イ） である.ただ,（イ）は対象の関数の形がある分布や方向に依存すると非効率な経路でパラメータを探索してしまい,学習に時間がかかってしまうというデメリットがある.そこで,現在では（イ）の欠点を改善するために（ウ） などのアルゴリズムが使用されている.
（ウ）に最もよくあてはまる選択肢を 1 つ選べ.
現在の教師あり学習は,与えられたデータがどの分類に当てはまるのかを識別する（ア）と,様々な関連性のある過去の数値から未知の数値を予測する（イ）という二つに分類される.（ア）を用いることで,（ウ）のようなことができる.また（イ）を用いることで,（エ）のようなことができる.
（ウ）に当てはまらない選択肢を 1 つ選べ.
RNN は（ア）系列データの処理に長けているニューラルネットワークである.RNN は,（イ）勾配消失問題が起きやすいという特徴を持っていたが,RNN の一種である LSTM では（ウ）を含む LSTM Block を組み込むことで,長期間の系列情報に対しても勾配消失せずに学習を行うことができる.
（ア）に最もよくあてはまる選択肢を 1 つ選べ.
画像キャプションとは,ある画像からそこに写っているものの説明を生成する,画像処理と自然言語処理の融合分野である.キャプションは,対象となる画像を（ア）に入力し,そこから得られた特徴を（イ）に入力することで生成することが可能である.
（解説あり）（ア）に最もよくあてはまる選択肢を 1 つ選べ.
ディープニューラルネットワーク（DNN）の普及に貢献した一つの要素に,（ア）を克服する手法が提案されたことがある.（ア）は誤差逆伝播法において,（イ）ことによって生じるとされている.（ア）に対処するための方法として,あらかじめ良い重みの初期値を計算する（ウ）や,活性化関数に（エ）を利用する方法などがある.
（ア）に最もよくあてはまる選択肢を 1 つ選べ.
正則化とは,機械学習の学習において汎化誤差をできるだけ小さくするための手法の総称である.ディープニューラルネットワーク（DNN）の学習で一般に用いられる正則化の手法に（ア）があり,誤差関数に重みの L2 ノルムを加えることで重みの発散を抑えることができる.また,L2 ノルムの代わりに L1 ノルムを用いる L1正則化は,（イ）の一種であり,重要でないパラメータを 0 に近づけることができる. L1 正則化を回帰に利用した場合,（ウ）と呼ばれる.
loading!!
